Mga Pananglitan sa Linear Regression ug Panaghisgot
Ang linear regression usa ka pamaagi sa estadistika nga gigamit aron mahibal-an ang relasyon tali sa duha o daghan pa nga mga variable. Kini nga pamaagi kaylap nga gigamit sa lainlaing mga natad, lakip ang ekonomiya, negosyo, sosyal nga syensya, ug natural nga syensya. Niini nga artikulo, atong hisgutan ang linear regression, kung giunsa kini pagkalkulo, ug maghatag daghang mga pananglitan sa mga problema nga adunay mga pagpasabut aron matabangan ang mga magbabasa nga masabtan kini nga konsepto sa lawom nga paagi.
Pagsabot sa Linear Regression
Ang linear regression usa ka pamaagi sa pag-analisa nga gigamit sa pagmodelo sa relasyon tali sa usa o daghan pang independent variable (mga predictor) ug usa ka dependent variable (tubag). Ang simple linear regression naglambigit sa usa ka independent variable ug usa ka dependent variable, samtang ang multiple linear regression naglambigit sa labaw sa usa ka independent variable.
Ang ekwasyon sa usa ka yano nga linya sa linear regression mao ang:
\[ Y = a + bX \]
Asa:
– Ang \( Y \) mao ang dependent variable.
– Ang \( X \) mao ang independenteng baryable.
– Ang \( a \) mao ang intercept, nga mao ang bili sa Y kung ang X = 0.
– Ang \( b \) mao ang regression coefficient, buot ipasabot, kon unsa ka dako ang kausaban sa Y kon ang X mausab og usa ka unit.
Mga Lakang sa Linear Regression
1. Tiguma ang Datos: Una, kolektaha ang datos nga paga-analisaron.
2. Plot Data: Paghimo og scatter plot aron makita kung adunay linear nga relasyon tali sa mga variable.
3. Kwentaha ang Regression Coefficient: Gamita ang least squares nga pamaagi aron mahibal-an ang pinakamaayong linya.
4. Pagsulay sa Modelo: Sulayi ang kamahinungdanon sa mga koepisyente sa regresyon gamit ang t-test ug tinoa ang R-squared nga bili aron makita kung unsa ka maayo ang pagkahaom sa modelo sa datos.
Mga Sampol nga Pangutana ug Panaghisgot
Pananglitan nga Pangutana 1: Yano nga Linear Regression
Pangutana:
Gusto mahibal-an sa usa ka tigdukiduki ang relasyon tali sa gidaghanon sa oras sa pagtuon (X) ug sa mga marka sa eksamin sa mga estudyante (Y). Ang datos nga nakuha mao ang mosunod:
| Mga Oras sa Pagtuon (X) | Iskor sa Eksamen (Y) |
|———————–|———————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Paghimo og linear regression equation gikan niini nga datos!
Panaghisgot:
1. Pagkalkula sa Aberids:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Pagkalkula sa Regression Coefficient \( b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
suma (X_i – X})(Y_i – Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
suma (X_i – X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Pagkalkula sa Intercept \( a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 x 5 = 80 – 15.4 = 64.6
\]
4. Ekwasyon sa Regresyon:
\[
Y = 64.6 + 3.08X
\]
Busa, ang linear regression equation para sa datos kay \( Y = 64.6 + 3.08X \). Kini nagpasabot nga ang matag dugang oras sa pagtuon gilauman nga makadugang sa score sa pagsulay og 3.08 puntos.
Pananglitan nga Pangutana 2: Pagsulay ug Interpretasyon sa Modelo
Pangutana:
Padayon sa parehas nga datos, kwentaha ang R-squared (R²) nga kantidad aron masukod kung unsa ka haom ang modelo sa datos. Sulayi usab ang kamahinungdanon sa regression coefficient \( b \).
Panaghisgot:
1. Kwentaha ang Kinatibuk-ang Sum of Squares (SST), Regression Sum of Squares (SSR), ug Error Sum of Squares (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = sum (Y_i – Y)^2
\]
Diin ang \( \hat{Y}_i \) mao ang gitagna nga bili sa ekwasyon sa regresyon:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Pagkalkula sa SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Pagkalkulo sa R-squared:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
Ang R-squared nga kantidad nga 0.6 nagpakita nga kini nga modelo nagpatin-aw sa gibana-bana nga 60% sa baryasyon sa datos. Kini nagpakita nga ang linya sa regresyon mohaom pag-ayo sa datos.
4. t-Test para sa Kamahinungdanon sa Koepisyent \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = 33.4 / 26 gibanabana nga 1.13
\]
\[
t = 3.08}{1.13} 2.73
\]
Uban sa usa ka \(t-statistic \approx 2.73 \), kon mogamit kita og komon nga threshold para sa significance (α = 0.05), atong itandi kini sa t-table. Pananglitan, para sa \(df = 3 \), ang kritikal nga \(t \) gibana-bana nga 2.353. Dayon ang \(t-observed > t-critical \), nagpakita nga ang coefficient kay significant.
Konklusyon
Niini nga artikulo, atong nahisgotan ang mga sukaranan sa linear regression, unsaon pagkalkulo sa regression coefficient ug intercept, ug unsaon paghubad sa mga resulta gamit ang mga ehemplo sa mga problema. Ang kanunay nga pagpraktis sa lain-laing mga data set importante aron mahimong hanas sa paggamit niini nga pamaagi. Ang linear regression usa ka bililhon nga himan sa pag-analisar sa datos ug makahatag og lawom nga mga panabut sa mga relasyon tali sa mga variable.
